「헤르메스 에이전트」 이 영상 하나로 끝냅니다 (53분 총정리)

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 결론

헤르메스 에이전트는 설치·모델·메신저 연결을 출발점으로, 개인 기록과 스킬을 쌓아 반복 업무를 자동화하고 실제 시간·비용 절감으로 가치를 판단하는 도구다.

📌 핵심 요점

1. 핵심은 상시 실행과 경험의 재사용이다. 서버에서 작업을 수행하고, 해결한 문제를 스킬로 저장해 비슷한 업무에 활용한다. 매번 같은 프롬프트를 입력하는 병목을 줄이는 것이 목표다.
2. 초기 구성은 실행 환경·모델·메신저의 조합이다. 여분 PC·전용 PC·VPS의 비용과 운영 부담을 비교하고, 작업 난도에 맞는 모델과 텔레그램·디스코드를 연결한다. 영상에서 제시한 VPS 비용은 월 5~20달러 수준이며 모델 사용 비용도 함께 고려해야 한다.
3. 개인화의 재료는 사용자가 남긴 기록이다. 생활·업무 정보, 노션 자료, 기존 AI 대화 등을 제공하고 필요한 서비스를 MCP로 연결한다. 공유 메모리와 LLM 위키로 맥락을 이어 가되, 잘못되거나 오래된 기억은 편집·삭제해야 한다.
4. 자동화는 예약 실행에서 역할 분담으로 확장된다. 크론 브리핑, 메일 분류·답장 초안, 웹 모니터링 같은 반복 업무를 맡길 수 있다. 큰 목표는 칸반에서 작업으로 나누고, 콘텐츠 제작은 리서처·에디터·디렉터·안티처럼 역할을 배정한다. 개발 작업은 코덱스 CLI에 위임할 수 있다.
5. 기능 수보다 적용 대상과 성과가 중요하다. MOA는 여러 모델의 답을 종합하지만 시간과 토큰이 더 든다. 새 기능을 모두 켜기보다 반복 업무 하나를 정해 한 달 정도 사용하고, 결과 품질과 절약한 시간을 기준으로 유지 여부를 판단한다.

🧩 배경과 문제 정의

• 헤르메스는 설치 방법뿐 아니라 실제로 어떤 일을 맡기고 어떻게 개인화할지까지 이해해야 활용할 수 있는 자동화 에이전트다.
• 핵심 문제는 매번 사람이 프롬프트를 입력하는 병목을 줄이고, 반복 업무를 사용자 맥락과 학습 기록에 따라 처리하도록 만드는 것이다.
• 실행 환경, 모델, 메신저 연결이 초기 구성의 기반이며, 이후에는 충분한 개인·업무 정보와 반복 작업을 제공해야 한다.
• 새로운 도구를 반드시 도입할 필요는 없다. 사용 여부는 기능의 수보다 자신의 시간과 비용을 실제로 줄여 주는지를 기준으로 판단한다.

🕒 시간순 섹션별 상세정리

1. 헤르메스의 핵심은 상시 자동화와 작업 경험의 축적이다

• 헤르메스는 서버에서 24시간 실행되는 맞춤형 자동화 에이전트다. 질문에 답하는 데 그치지 않고 생활과 업무의 병목을 찾아 앱 제작, 이메일 발송, 일정 확인 같은 작업을 처리하는 시스템을 지향한다 [01:53]
• 오픈클로는 중앙 게이트웨이를 통한 메시지 라우팅과 여러 에이전트 관리에 강점이 있고, 헤르메스는 작업 수행·학습·개선의 순환을 중심에 둔다. 해결한 문제를 자동으로 스킬에 저장해 비슷한 작업에 재사용하는 것이 주요 차이다 [02:32]

2. 실행 환경은 비용과 상시 가동 조건을 비교해 선택한다

• 실행 환경은 기존의 여분 PC, 별도로 구매한 전용 PC, VPS로 나뉜다. VPS는 보통 월 5~20달러가 들지만 개인 컴퓨터를 계속 켜 두지 않아도 24시간 실행할 수 있다 [04:42]
• 메인 PC 사용은 보안상의 이유로 권하지 않는다. 전용 기기 구매 비용과 로컬 실행의 부담을 고려해 VPS를 선택했으며, 헤르메스도 가상 환경을 권장한다는 설명이다 [05:17]

3. 원클릭 설치와 수동 설치는 같은 초기 설정으로 계속된다

• 원클릭 설치를 이용하거나, VPS 생성 과정에서 가까운 서버 위치와 도커 애플리케이션의 헤르메스를 선택해 설치할 수 있다. 서버 접속은 대시보드 터미널 또는 개인 터미널에서 접속 정보를 입력하는 방식으로 진행한다 [06:54]
• 원클릭 설치를 사용하지 않았거나 로컬에 설치한다면 공식 문서의 명령어를 순서대로 실행한다. 설치 후에는 퀵 셋업에서 모델과 메신저 연결을 구성한다 [08:04]

4. 모델 선택은 작업 품질과 비용을 좌우한다

• 낮은 성능의 모델을 사용하면 헤르메스 자체의 한계로 오해하기 쉽다. 오퍼스와 코덱스를 우선 선택지로 들며, 당시 클로드 API의 비용·토큰·성능 문제를 이유로 코덱스를 추천한다 [08:31]
• 오픈AI 구독자는 OAuth 로그인으로 추가 비용 없이 사용하는 경로가 있고, API 연결도 가능하다. 오픈라우터를 통한 무료·다양한 모델 선택이나 로컬 모델 사용도 가능하지만, 복잡한 워크플로에는 프런티어 모델을 권한다 [08:52]

5. 메신저 연결은 봇 인증과 사용자 식별을 함께 구성한다

• 텔레그램은 BotFather에서 /newbot으로 봇을 만들고 토큰을 입력하는 간단한 방식이다. 디스코드는 일반 대화·리서치·유튜브처럼 목적별 채널을 나눠 사용할 수 있다는 장점이 있다 [09:34]
• 디스코드는 개발자 포털에서 애플리케이션과 봇을 구성하고, 발급한 토큰을 헤르메스 게이트웨이 설정에 입력한다. 토큰은 노출하지 않고 보관해야 하며, OAuth 설정에서는 봇과 애플리케이션 명령 범위 및 필요한 권한을 지정해 서버에 초대한다 [10:10]

6. 개인화에는 충분한 맥락과 작업 중 조정 수단이 필요하다

• 처음부터 원하는 결과가 나오지 않을 수 있다. 생활을 인수인계하듯 정보를 제공하고, 매일 하는 일을 적어 시간이 많이 들거나 반복되는 작업을 자동화 후보로 찾는 접근이 필요하다. 정해진 시간의 물 마시기 알림처럼 작은 생활 문제도 대상이 된다 [13:00]
• /skin은 화면 테마를 바꾸고, /insights는 실행한 세션의 분석을 보여 준다 [13:54]

7. 스킬은 내장 기능을 넘어 자신의 작업에 맞게 확장한다

• 내장 스킬에는 클로드 코드·코덱스 실행, ASCII 이미지, 디자인, 엑스칼리드로우, 깃허브, 스포티파이, 유튜브, LLM 위키 등이 있으며 슬래시 명령으로 활용할 수 있다 [14:40]
• 기존 스킬을 추가하거나 위키피디아·논문을 자료로 넣어 새로운 스킬을 만들 수도 있다. 커뮤니티의 모든 스킬을 기억하기보다 실제 작업에서 필요한 스킬을 만들어 가는 것이 중요하다 [15:03]

8. 정기 브리핑과 콘텐츠 초안은 예약 작업으로 자동화한다

• 크론 스케줄링은 언제 무엇을 할지 지정하는 방식이다. 매일 아침 7시 정보 요약이나 매주 수요일 뉴스레터 요약처럼 반복 작업을 예약하고, 이메일·캘린더·관심 주제를 연결해 모닝 브리핑을 받을 수 있다 [15:21]
• 답장 상대, 준비하는 회의, 후속 질문 주제에 따라 스킬이 자동으로 갱신되므로 브리핑도 달라질 수 있다. 2주나 한 달 뒤의 품질 향상은 이런 학습 축적에 대한 기대다 [15:46]

9. 사건 감지와 웹 모니터링은 정해진 시각 밖에서도 작동한다

• 정해진 시각뿐 아니라 특정 사건을 계기로 실행할 수도 있다. 오류 감지 서비스와 연결해 문제를 실시간으로 파악하고 수정안을 제안하거나 직접 수정하게 하며, 깃허브 이슈에도 비슷한 방식을 적용할 수 있다 [16:32]
• 내장 스텔스 브라우저로 구조화된 데이터를 추출해 경쟁사 가격·디자인·SNS 변화를 감시하거나 특정 유튜브 채널과 키워드를 추적할 수 있다 [16:55]

10. 공유 메모리와 LLM 위키는 업무 사이의 맥락을 연결한다

• 브리핑·마케팅·일정 관리와 코드 작업이 메모리를 공유하면 한 기능에서 얻은 맥락을 다른 기능에 활용할 수 있다. 다만 프로젝트가 커지거나 기억·정체성을 분담해야 할 때는 여러 에이전트로 나누는 편이 나을 수 있다 [17:37]
• 내장 LLM 위키 스킬에 소스를 지정하면 서로 연결된 마크다운 파일로 지식을 정리한다. 옵시디언과 연결하면 학습 과정에서 갱신되는 지식을 시각적으로 확인할 수 있다 [18:04]

11. 실험과 생활 자동화는 설정 자체보다 실제 성과로 평가한다

• 자동 실험은 일부를 변경하고 효과를 검증한 뒤 좋은 결과를 유지하는 순환이다. 이메일 오픈율이나 랜딩 페이지 전환율처럼 목표와 제약을 정하면 실험을 반복하며, 이전 결과를 다음 변경의 판단에 활용한다. 혼초 같은 도구로 기억을 더 체계적으로 관리할 수도 있다 [18:27]
• 생활 데이터를 충분히 제공하면 반복 업무 중 자동화할 대상을 찾게 하거나, 잠들기 전에 생활을 편하게 할 도구 제작을 맡길 수 있다 [19:03]

12. 멀티에이전트 플랫폼의 작업 상태를 대시보드에서 관리한다

• 최근 3주간의 핵심 변화는 하나의 에이전트를 넘어 목표를 여러 작업으로 나누고 동시에 처리하는 멀티에이전트 플랫폼으로 확장됐다는 점이다 [20:03]
• 헤르메스는 특정 모델에 종속되지 않는 오픈소스 에이전트이며, 필요한 도구를 골라 일을 처리하는 직원에 비유된다. 개발 도구를 대신하는 것뿐 아니라 클로드 코드·코덱스 같은 도구에 작업을 맡기는 역할을 한다 [20:44]

13. 칸반 워크플로는 큰 목표를 역할별 작업으로 분해한다

• 칸반의 트리아지 영역에는 아직 정리하지 않은 목표나 아이디어를 넣는다. 새 랜딩 페이지 제작 같은 목표를 받으면 즉시 실행할 수 있는지, 더 작은 작업으로 나눠야 하는지 판단한다 [23:51]
• 랜딩 페이지는 디자인·카피·구현·검수로 나뉘고, 각 작업에 담당 에이전트를 배정할 수 있다. 사용자가 작업 목록을 처음부터 모두 작성하는 대신 목표 하나에서 필요한 작업 흐름을 구성하는 방식이다 [24:20]

14. 세션 회상과 백그라운드 실행은 대화의 연속성을 높인다

• 세션 리콜은 과거 세션의 작업과 대화를 찾아보는 기능이다. 지난주 특정 날짜에 무엇을 했는지 확인할 수 있으며, 이 조회 과정은 토큰을 쓰지 않고 처리된다는 설명이다 [24:48]
• 자신과 회사에 관한 정보를 문서로 남기는 습관이 중요하다. 에이전트가 사용자를 이해하는 기반은 사용자가 남긴 기록이며, 초기 기록 구조가 이후 개인화에 영향을 준다 [25:16]

15. 코덱스 CLI에 개발을 맡겨 병렬 작업을 확장한다

• 헤르메스는 코덱스 CLI를 공식적으로 사용할 수 있다. 전체 작업은 헤르메스가 지휘하고 실제 코딩은 코덱스가 처리하는 구조다 [26:01]
• 코덱스를 여러 개 동시에 실행하고 칸반과 결합하면 개발 작업도 병렬로 처리할 수 있다. 오픈AI 구독을 사용하는 경우 헤르메스와 코덱스를 함께 활용하는 경로도 드러난다 [26:11]

16. 컴퓨터 조작·영상 생성·X 검색에는 별도 실행 조건이 있다

• 컴퓨터 유즈는 화면을 보고 클릭해 컴퓨터를 조작하는 기능이다. 당시에는 맥 전용이며 해당 기기의 권한을 직접 부여해야 작동한다 [26:25]
• 영상 생성은 채팅 안에서 요청할 수 있지만 그록의 생성 기능을 사용하는 방식이다. 그록 구독 요금제나 별도 키가 필요하다 [26:51]

17. 세컨드 브레인은 개인 기록과 서비스 연결을 기반으로 구성한다

• 새 기능이 나왔다는 이유만으로 도구를 바꾸거나 조급해할 필요는 없다. 가볍게 사용해 보고 실제로 자주 쓸지 판단해야 하며, 개인별 활용의 가치는 자신이 반복하던 일을 자동화하는 데서 나온다 [27:25]
• 세컨드 브레인 구성은 자신에 관한 자료를 충분히 넣고 MCP로 자주 쓰는 서비스를 연결하는 방식이다. 사용자를 이미 이해하는 맥락으로 작업 설명을 줄이고, 다른 관점의 조언을 얻는 것을 기대한다 [29:09]

18. 메모리·원격 접속·모델 분담으로 운영을 보완한다

• 혼초는 대화를 단순히 요약하는 대신 사용자의 사고방식과 말투 등을 계속 학습하는 메모리 레이어로 활용된다. 기본 메모리로 부족한 부분을 보완하려는 설정이다. [31:50]
• VPS에서 실행하는 헤르메스도 데스크톱의 리모트 게이트웨이로 연결할 수 있다. 로컬 실행에 한정하지 않고 SSH 터미널과 데스크톱 경로로 접근하는 구성이 가능하다. [32:09]

19. 메일과 유튜브 운영을 반복 업무로 자동화한다

• 메일을 주기적으로 확인해 답장이 필요한 항목을 구분하고, 사용자 스타일에 맞는 답장 초안을 미리 작성하도록 설정한다. 자동화 대상에는 분류와 초안 작성이 포함된다. [32:52]
• 유튜브 API로 스튜디오 데이터에 접근하게 하고 정기 실행을 설정해 일일 분석, 기존 영상 성과, 다음 영상의 방향성을 검토한다. [33:05]

20. 정보 수집은 채널보다 관찰 대상을 좁히는 것이 중요하다

• X와 레딧은 제작 시간이 필요한 유튜브보다 빠르게 정보를 접할 수 있는 경로다. 에이전트 리치를 붙이면 지정한 계정이나 키워드를 읽고 필요한 내용을 요약해 리포트로 받을 수 있다. [33:49]
• 처음부터 레딧의 특정 서브레딧과 X의 특정 인물을 지정해야 불필요한 정보가 섞이는 것을 줄일 수 있다. AI 제품 반응, 사용자 불편, 돈과 관심이 모이는 지점을 관찰하는 데 활용한다. [34:17]

21. 시장에서 발견한 아이디어를 작동하는 시제품으로 검증한다

• AI 회의록 제품처럼 반복해서 눈에 들어오는 아이디어는 핵심 기능과 랜딩 페이지를 먼저 만들어 반응을 볼 수 있다. 본격적인 프로젝트는 클로드 코드로 확장하더라도 초기 아이디어 검증은 헤르메스 안에서 시도할 수 있다. [35:29]
• 제품 설명과 참고 디자인 스크린샷을 제공해 구현한 뒤 색상을 일부 수정했다. 결과물은 회의록에서 해야 할 일, 담당자, 마감일을 카드로 정리하는 작동 가능한 프로토타입이다. [36:19]

22. 가족용 프로필은 접근성과 음성 사용을 중심으로 구성한다

• 가족용 프로필을 따로 만들고 사용하지 않는 아이패드의 텔레그램에 연결해 거실에 둔다. 가족이 궁금하거나 심심할 때 쉽게 접근할 수 있도록 하는 구성이다. [36:32]
• 이미지·영상 생성용 MCP도 연결해 활용 범위를 넓혔다. AI에 익숙하지 않은 가족에게는 음성으로 편하게 대화할 수 있도록 설정하는 방식을 권한다. [37:03]

23. 개인화는 사례 복제보다 자신의 업무를 찾는 데서 시작한다

• 앞선 설정은 보편적인 정답이 아니라 개인의 관심사와 매일 하는 일에 맞춘 사례다. 필요한 사례를 따라 해 보거나, 축적된 사용자 데이터를 바탕으로 무엇을 자동화하면 좋을지 헤르메스와 논의할 수 있다. [37:31]
• 기존 개발 프로젝트는 코덱스나 클로드 코드로 진행하되, AI와 나누던 대화와 생각은 헤르메스로 옮기는 활용법을 권한다. 단일 작업을 맡기는 도구보다 개인의 활동 전반을 지원하는 파트너에 가깝게 보는 관점이다. [38:06]

24. MOA는 여러 모델의 독립적인 답을 종합한다

• MOA는 하나의 질문을 여러 참조 모델에 동시에 보내고, 종합 모델이 각각의 답을 읽어 하나의 답변으로 정리하는 방식이다. 한 모델의 답에만 의존할 때 생기는 오류와 관점의 한계를 줄이려는 기능이다. [39:52]
• 설정에서 메인 모델과 참조 모델을 고른 뒤 요청하면 각 모델의 사고 과정과 종합 답변을 확인할 수 있다. 시연 결과에는 한 모델에 물었을 때보다 다양한 관점이 섞여 있다. [41:00]

25. 유용한 링크를 재사용 가능한 스킬로 바꾼다

• 학습 명령 뒤에 유용한 글의 링크를 붙이면 내용을 읽고 핵심을 추려 스킬로 저장한다. 이후 비슷한 작업에서 저장된 방법을 다시 활용할 수 있다. [41:59]
• X 게시물뿐 아니라 블로그와 공식 문서도 같은 방식으로 넘길 수 있다. 자주 참고하는 가이드를 스킬로 만들면 북마크에 쌓아 두는 자료를 실제 작업 방식으로 연결할 수 있다. [42:27]

26. 기억과 스킬을 시각화하고 잘못된 정보를 관리한다

• 기억·스킬 조회 기능에서는 무엇을 배웠는지 타임라인으로 확인하고, 어떤 대화에서 스킬이 만들어졌으며 어떤 기억과 연결되는지 그래프로 해석할 수 있다. [43:02]
• 기억을 편집하거나 삭제할 수 있어 잘못 배운 내용과 변경된 정보를 바로잡을 수 있다. 오래 사용할수록 틀리거나 더 이상 유효하지 않은 정보가 섞여 결과 품질을 떨어뜨릴 수 있기 때문이다. [43:24]

27. 프로젝트 공간에서 코드 작업과 변경 검토를 이어간다

• 데스크톱의 프로젝트 기능은 코드베이스를 프로젝트 단위로 관리하고 그 안에서 작업을 이어가게 한다. 코딩 작업이 여러 채팅 세션에 흩어지던 불편을 줄이는 변화다. [43:57]
• 리뷰 패널과 우측 사이드바에서 파일별 변경 사항을 확인하고 직접 수정할 수 있다. 작업 지시부터 결과 검토와 관리까지 한 공간에서 처리하는 구성이 된다. [44:20]

28. 그록봇과 헤르메스 봇 모드는 역할별 대화 구조를 제공한다

• 그록봇은 이름과 역할을 부여한 봇에게 일을 맡기고, 봇끼리 메시지를 보내 작업을 넘길 수 있는 구조다. 각 봇에는 브라우저와 터미널을 사용할 수 있는 컴퓨터가 제공된다. [46:14]
• 그록 기준 가격은 30~300달러, 커서 기준 최저 가격은 20달러이며 모델은 그록 4.6으로 제한된다. 다만 직접 사용하지 않은 상태이며, 높은 출시 가격과 뚜렷한 사용 목적의 부재가 그 이유다. [46:41]

29. 콘텐츠 제작을 리서처·에디터·디렉터·안티로 분담한다

• 봇 수보다 자신의 업무에 맞는 역할 구성이 중요하다. 무엇이 필요한지 모르겠다면 일주일의 업무를 설명하고 필요한 봇을 역으로 제안받을 수 있다. 콘텐츠 자동화 사례는 리서처, 에디터, 디렉터, 안티의 네 역할로 구성된다. [49:42]
• 리서처는 매주 AI 소식을 찾는 루틴을 VPS에서 실행해 노트북을 꺼도 작동한다. 에디터에는 말투와 형식 지침을, 디렉터에는 이미지 생성 MCP와 일관된 디자인 지침을 주고, 안티에는 게시 전 결과물을 비판하도록 설정한다. [50:22]

30. 도구 선택보다 반복해서 설명하는 일을 먼저 찾는다

• 그록봇은 설치 후 바로 쓰는 완성품에 가깝지만 비용이 높고 모델 선택이 제한된다. 헤르메스는 오픈 소스 기반으로 서버와 모델을 원하는 대로 구성할 수 있지만 설정 부담과 알아야 할 내용이 더 많다. [51:49]
• 새 기능이 나올 때마다 급하게 갈아탈 필요는 없다. AI에게 매번 똑같이 설명하는 일이 무엇인지 먼저 찾고, 해결할 일이 정해지면 도구는 무엇을 사용해도 괜찮다는 것이 마지막 판단 기준이다. [52:20]

🧾 결론

• 설치 완료만으로 개인화가 완성되지는 않는다. 충분한 맥락 제공과 실제 작업의 반복이 활용도를 좌우한다.
• 공유할 맥락은 메모리로 연결하고, 역할이나 기억을 분리할 필요가 생기면 프로필·봇·멀티에이전트 구성을 검토한다.
• 도구를 고르기 전에 AI에게 매번 똑같이 설명하는 일을 찾고, 그 업무를 얼마나 덜어 주는지 평가하는 것이 영상의 최종 판단 기준이다.

📈 투자·시사 포인트

• 도입 비용은 서버 요금뿐 아니라 모델 사용료, 별도 서비스 인증, 설정·관리 시간을 함께 놓고 비교해야 한다. 저렴한 구성이라도 원하는 품질을 내지 못하면 실익이 줄어든다.
• 영상은 개인 기록과 재사용 가능한 스킬을 축적하는 일을 중요한 투자로 본다. 다만 기록이 늘어나는 만큼 오류 수정과 최신 정보 반영도 필요하다.
• 사업 활용은 메일 처리, 콘텐츠 초안, 경쟁사 관찰처럼 반복 빈도가 높은 업무에서 시험할 수 있다. 이메일 오픈율이나 랜딩 페이지 전환율처럼 목표가 분명하면 변경 효과를 평가하기 쉽다.
• 시장 정보 수집은 관찰할 계정·키워드·커뮤니티를 좁히고, 반복해서 발견한 수요를 시제품과 랜딩 페이지로 검증하는 흐름으로 연결할 수 있다.

⚠️ 불확실하거나 확인이 필요한 부분

• VPS·그록봇 요금, 모델 명칭, OAuth 구독 사용 경로, 컴퓨터 유즈 지원 환경은 영상 당시 설명이다. 실제 도입 시 현재 제공 조건과 사용 제한을 확인해야 한다.
• 헤르메스가 오픈클로보다 가볍고 안정적이라는 평가와 기억 축적에 따른 품질 향상 기대에는 비교 측정 결과가 제시되지 않았다. 자신의 업무에서도 같은 효과가 나는지는 별도 확인이 필요하다.
• 호스팅거 소개에는 협찬과 할인 안내가 포함된다. 그록봇 비교 역시 직접 사용하지 않은 상태라는 설명이 있어, 가격·사용성 평가의 근거 범위를 구분해서 읽어야 한다.
• 자막 기반 정리: 타임스탬프가 있는 자막을 기준으로 정리했으며, 고유명사·수치·인용은 원문 확인 필요 시 별도 검증한다.
• 영상 속 주장: 발표자의 해석·전망·비교는 확인된 외부 사실이 아니라 영상 속 주장으로 분리해 읽는다.
• 검증 필요: 수치, 기업 실적, 정책·시장 전망은 발행 전 최신 자료로 별도 검증이 필요하다.

✅ 액션 아이템

• 일주일 동안 반복한 업무와 AI에게 되풀이해 설명한 내용을 적고, 자동화할 작업 하나를 고른다.
• 여분 PC·전용 PC·VPS를 비교하고 서버·모델·추가 서비스 비용과 초기 설정 부담을 정리한다.
• 선택한 작업에 필요한 개인·업무 기록과 말투·출력 형식 지침을 제공하고, 사용할 메신저와 필요한 서비스만 연결한다.
• 브리핑이나 메일 분류·초안 작성처럼 결과를 확인하기 쉬운 작업을 예약하고, 실행 결과와 수정에 든 시간을 기록한다.

❓ 열린 질문

• 내 업무에서 반복 빈도와 설명 부담이 가장 큰 작업은 무엇이며, 한 달 뒤 어떤 결과가 나오면 도입 가치가 있다고 판단할 것인가?
• 여러 업무가 기억을 공유할 때의 이점과 역할별로 기억을 분리할 필요는 어디에서 갈리는가?
• 중요한 판단에 MOA를 사용할 때, 추가 시간·토큰 비용을 감수할 만큼 답변 품질이 개선되는가?